KR102088697B1 - 웹 기반의 통계적 공정 관리 시스템 - Google Patents
웹 기반의 통계적 공정 관리 시스템 Download PDFInfo
- Publication number
- KR102088697B1 KR102088697B1 KR1020190131698A KR20190131698A KR102088697B1 KR 102088697 B1 KR102088697 B1 KR 102088697B1 KR 1020190131698 A KR1020190131698 A KR 1020190131698A KR 20190131698 A KR20190131698 A KR 20190131698A KR 102088697 B1 KR102088697 B1 KR 102088697B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- humidity
- product
- temperature
- factory
- Prior art date
Links
- 238000003070 Statistical process control Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 138
- 230000008569 process Effects 0.000 claims abstract description 119
- 238000005259 measurement Methods 0.000 claims abstract description 92
- 238000004891 communication Methods 0.000 claims abstract description 27
- 230000007547 defect Effects 0.000 claims description 70
- 239000013598 vector Substances 0.000 claims description 50
- 230000002950 deficient Effects 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 118
- 239000000047 product Substances 0.000 description 118
- 238000012545 processing Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- -1 electricity Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
웹 기반의 통계적 공정 관리 시스템을 제공하는 서버가 개시된다. 일 실시예에 따른 웹 기반의 통계적 공정 관리 시스템을 제공하는 서버는 사용자의 적어도 하나 이상의 관리 대상 공장에 구비된 이미지 센서로부터 제품(product)에 대한 이미지 센서 데이터를 수신하는 통신부; 상기 사용자의 계정 정보, 상기 관리 대상 공장에 대한 공장 정보(factory information) 및 센서 값들의 목표 값, 관리 범위 및 규격 범위를 포함하는 계측 기준 범위들을 저장하는 메모리; 및 획득한 상기 이미지 센서 데이터로부터 상기 제품에 대한 이미지 센서 계측 값을 획득하고, 획득한 상기 이미지 센서 계측 값이 대응하는 상기 계측 기준 범위들 중에서 충족하는 범위를 판단하고, 판단된 상기 충족하는 범위에 기초하여 제품 적합도를 판단하고, 상기 이미지 센서 계측 값 및 상기 제품 적합도를 포함하는 UI(User Interface)를 제공하는 프로세서를 포함할 수 있다.
Description
아래 실시예들은 웹 사이트를 기반으로 운영되는 통계적 공정 관리 시스템을 제공하는 기술에 관한 것이다.
통상적으로 여러 공정들을 거쳐 제조된 제품을 공급하는 공급자(예를 들어, 공장)들은 소비자에게 일정한 품질의 제품을 공급하기 위해 제품의 규격을 관리하기 위한 시스템을 갖추고 있으며, 공정을 최적화하면서도 불량률을 최소화하기 위해 다양한 노력을 시도하고 있다. 통계적 공정 관리(Statistical Process Control; SPC)란 제품을 생산하는데 필요한 여러 공정들에서 수집할 수 있는 데이터를 통계적으로 분석하는 관리 방법으로서, 제품의 품질에 변동을 주는 원인과 공정의 상태를 파악해서 원하는 품질 목표를 달성할 수 있도록, 목표 달성을 위한 기준을 설정하고(Plan), 설정된 계획에 따라 공정을 실시하며(Do), 실시한 결과를 측정, 분석, 비교 및 검토(Check)하여, 검토한 결과를 계획과 비교하여 차이가 있으면 그에 맞는 조치(Action)를 적용하는 일련의 활동에 의해 수행된다.
제품 공급자들은 공정의 생산성 향상을 위해 공정의 자동화 및 인력 효율을 도모하고 있다. 또한, 기존의 수기 기입을 통한 데이터 관리를 벗어나 공정 센서를 이용하여 실시간으로 제품을 검사하고 설비 데이터를 집계함으로써, 제품과 설비에 발생하는 불량 원인, 유형, 특징 등을 파악하고, 빅테이터 분석을 통한 조기진단 및 불량 예방이 가능한 데이터 관리 체계를 요구하고 있다. 최근에는 다양한 제품군에 적합한 개별적인 설비 데이터 관리가 요구될 뿐만 아니라, 고객사별로 요구되는 공정 및 제품에 대한 데이터 관리 체계가 구축될 필요가 있는 만큼, 웹사이트를 기반으로 한 실시간 공정 관리 시스템이 요구되고 있다.
실시예들은 웹 사이트를 기반으로 운영되는 통계적 공정 관리 시스템을 제공하고자 한다.
실시예들은 관리 대상 공장에 구비된 각종 센서로부터 데이터를 획득하고, 제품에 대한 통계적 분석이 포함된 웹 기반의 유저 인터페이스(UI)를 사용자 단말에 제공하고자 한다.
실시예들은 공정 설비의 온습도 센서 값과 불량률 사이의 상관관계에 따라 공정 설비의 온습도를 제어하고자 한다.
실시예들은 뉴럴 네트워크로 구성된 미리 학습된 불량률 예측 모델을 이용하여, 관리 대상 공장의 위치 정보에 대응되는 예상 날씨 정보에 대한 예상 불량률을 추론하고, 추론된 예상 불량률에 따라 관리 대상 공장의 온습도를 제어하고자 한다.
일 실시예에 따른 웹 기반의 통계적 공정 관리 시스템을 제공하는 서버는, 사용자의 적어도 하나 이상의 관리 대상 공장에 구비된 이미지 센서로부터 제품(product)에 대한 이미지 센서 데이터를 수신하는 통신부; 상기 사용자의 계정 정보, 상기 관리 대상 공장에 대한 공장 정보(factory information) 및 센서 값들의 목표 값, 관리 범위 및 규격 범위를 포함하는 계측 기준 범위들을 저장하는 메모리; 및 획득한 상기 이미지 센서 데이터로부터 상기 제품에 대한 이미지 센서 계측 값을 획득하고, 획득한 상기 이미지 센서 계측 값이 대응하는 상기 계측 기준 범위들 중에서 충족하는 범위를 판단하고, 판단된 상기 충족하는 범위에 기초하여 제품 적합도를 판단하고, 상기 이미지 센서 계측 값 및 상기 제품 적합도를 포함하는 UI(User Interface)를 제공하는 프로세서를 포함하고, 상기 공장 정보는 상기 계정 정보와 연동된 상기 관리 대상 공장의 공장 식별 정보, 공정 라인 정보, 공정 센서 식별 정보 또는 제품 정보 중에서 적어도 하나 이상을 포함하고, 상기 UI는 웹 페이지 또는 웹 어플리케이션으로 구현되고: 상기 관리 대상 공장에 대응하는 상기 공장 정보를 추가, 삭제 및 수정하는 인터페이스를 제공하는 공장 관리 UI; 상기 제품의 제품 식별 정보, 부품 종류, 공정 라인 종류, 상기 이미지 센서에 대응하는 이미지 센서 식별 정보 또는 관리 담당자 중 하나 이상을 포함하는 제품 정보를 추가, 삭제 및 수정하는 인터페이스를 제공하는 제품 관리 UI; 상기 제품에 대응하는 상기 제품 식별 정보, 상기 계측 기준 범위들, 상기 이미지 센서 계측 값 및 상기 제품 적합도를 포함하여 구성된 계측 로그를 포함하는 인터페이스를 제공하는 계측 로그 UI; 및 상기 제품의 Xbar-R 관리도(control chart), Xbar-s 관리도, Xbar-Rs 관리도, 분포도, Cp 차트 또는 Cpk 차트 중 하나 이상을 포함하는 인터페이스를 제공하는 관리도 분석 UI를 포함할 수 있다.
일 실시예에 따르면, 상기 통신부는 상기 제품에 대응하는 적어도 하나 이상의 공정 설비에 구비된 적어도 하나 이상의 공정 센서에 대한 적어도 하나 이상의 공정 센서 계측 값을 수신하고, 상기 UI는 상기 제품에 대응하는 공정 센서 계측 값 및 상기 이미지 센서 계측 값의 히스토리, 상기 히스토리에 대응하는 그래프 및 상기 제품 적합도를 포함하며, 상기 제품 적합도에 대응하는 조치 내역을 추가, 수정 및 삭제하는 인터페이스를 제공하는 모니터링 UI를 더 포함할 수 있다.
일 실시예에 따르면, 상기 공정 센서 계측 값은 온도 센서 값 및 습도 센서 값을 포함하고, 상기 프로세서는 상기 제품 적합도에 기초하여 불량률을 계산하고, 상기 온도 센서 값 및 상기 습도 센서 값과 상기 불량률 사이의 상관 관계를 나타내는 그래프를 제공하는 온습도 관리 UI를 더 제공할 수 있다.
일 실시예에 따르면, 상기 프로세서는 상기 관리 대상 공장의 현재 온도 센서 값, 습도 센서 값 및 상기 관리 대상 공장의 위치 정보에 대응되는 예상 날씨 정보에 기초한 입력 벡터를 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 인가하고; 상기 미리 학습된 불량률 예측 모델의 출력 레이어(output layer)로부터 예상 불량률에 관한 출력 벡터를 획득하고; 상기 출력 벡터로부터 획득한 상기 예상 불량률과 현재 측정된 불량률과의 차이가 미리 결정된 임계 값 이상인 경우, 상기 관리 대상 공장의 온습도를 제어하는 온습도 제어 신호를 생성하고, 상기 통신부는 생성된 상기 온습도 제어 신호를 상기 관리 대상 공장에 송신하고, 상기 미리 학습된 불량률 예측 모델은 뉴럴 네트워크로 구성되고, 상기 관리 대상 공장의 위치 정보에 대응되는 상기 예상 날씨 정보는 미리 결정된 시간 뒤의 외부 온도 값 및 외부 습도 값을 포함할 수 있다.
일 실시예에 따르면, 상기 온습도 제어 신호를 생성하는 것은, 상기 프로세서가, 현재 온도 센서 값 및 현재 습도 센서 값에 기초하여 온도 조정 값 세트 및 습도 조정 값 세트를 생성하고; 상기 온도 조정 값 세트에 포함된 각각의 온도 조정 값 및 상기 현재 습도 센서 값에 기초하여, 상기 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 각각의 온도 입력 벡터를 생성하고; 상기 온도 입력 벡터를 상기 미리 학습된 불량률 예측 모델의 입력 레이어에 인가하여 온도 출력 벡터를 획득하고; 상기 온도 출력 벡터에 기초하여 획득한 불량률 중 가장 작은 불량률에 대응하는 온도 결정 값을 선택하고; 상기 습도 조정 값 세트에 포함된 각각의 습도 조정 값 및 상기 선택된 온도 결정 값에 기초하여, 상기 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 각각의 습도 입력 벡터를 생성하고; 상기 습도 입력 벡터를 상기 미리 학습된 불량률 예측 모델의 입력 레이어에 인가하여 습도 출력 벡터를 획득하고; 상기 습도 출력 벡터에 기초하여 획득한 불량률 중 가장 작은 불량률에 대응하는 습도 결정 값을 선택하고; 선택된 상기 온도 결정 값 및 상기 습도 결정 값에 기초하여 온습도 제어 신호를 생성할 수 있다.
일 실시예에 따른 상기 UI는 상기 공정 센서 계측 값, 상기 이미지 센서 계측 값, 또는 상기 제품 적합도 중 적어도 하나를 포함하는 알람을 사용자 단말에 전송하기 위한 인터페이스를 제공하는 메시지 전송 UI를 더 포함하고, 상기 알람은 상기 사용자에 의하여 설정된 알람 수단에 기초하여, SMS, LMS, 전자 메일, 메신저 메시지 또는 단말 푸시 알람 중에서 적어도 하나 이상의 수단으로 제공될 수 있다.
실시예들은 웹 사이트를 기반으로 운영되는 통계적 공정 관리 시스템을 제공할 수 있다.
실시예들은 관리 대상 공장에 구비된 각종 센서로부터 데이터를 획득하고, 제품에 대한 통계적 분석이 포함된 웹 기반의 유저 인터페이스(UI)를 사용자 단말에 제공할 수 있다.
실시예들은 공정 설비의 온습도 센서 값과 불량률 사이의 상관관계에 따라 공정 설비의 온습도를 제어할 수 있다.
실시예들은 뉴럴 네트워크로 구성된 미리 학습된 불량률 예측 모델을 이용하여, 관리 대상 공장의 위치 정보에 대응되는 예상 날씨 정보에 대한 예상 불량률을 추론하고, 추론된 예상 불량률에 따라 관리 대상 공장의 온습도를 제어할 수 있다.
도 1은 일실시예에 따른 통계적 공정 관리 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 통계적 공정 관리 시스템의 제어 방법을 설명하기 위한 순서도이다.
도 3 내지 도 6은 일실시예에 따른 통계적 공정 관리 시스템의 사용자 단말에 디스플레이되는 UI들을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 통계적 공정 관리 시스템의 제어 방법을 설명하기 위한 순서도이다.
도 8은 일 실시예에 따른 온습도 제어 신호 생성 방법을 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 통계적 공정 관리 시스템의 제어 방법을 설명하기 위한 순서도이다.
도 3 내지 도 6은 일실시예에 따른 통계적 공정 관리 시스템의 사용자 단말에 디스플레이되는 UI들을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 통계적 공정 관리 시스템의 제어 방법을 설명하기 위한 순서도이다.
도 8은 일 실시예에 따른 온습도 제어 신호 생성 방법을 설명하기 위한 순서도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 통계적 공정 관리 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 통계적 공정 관리 시스템은 서버(100), 관리 대상 공장(200), 사용자 단말(300)을 포함한다. 통계적 공정 관리 시스템은 사용자의 공장 및 설비 시설에서 수행되는 다수의 공정들에서 수집할 수 있는 데이터를 모니터링 및 통계적으로 분석하고, 분석한 결과를 사용자 단말의 출력부에 제공하기 위한 시스템으로서, 웹사이트를 기반으로 운영될 수 있다. 관리 대상 공장(200)은 서버(100)와 연결되고 통계적 공정 관리 시스템의 모니터링 및 통계적 분석의 대상이 되는 주체로서, 통계적 공정 관리 시스템을 이용하는 사용자의 등록 또는 서버 관리자의 등록에 의해 복수의 주체로 구성될 수 있다. 서버(100)는 통계적 관리 시스템을 사용자에게 제공하는 주체로서, 관리 대상 공장(200)으로부터 획득한 데이터를 모니터링하고, 획득한 데이터를 통계적 기법을 이용하여 분석하는 기능들을 제공한다. 사용자 단말(300)은 서버(100)의 통계적 관리 시스템을 이용하는 주체로서, 복수의 주체로서 구성될 수 있다. 일 실시예에 있어서, 서버(100)가 제공하는 통계적 관리 시스템은 웹사이트 상에서 구현될 수 있으며, 사용자는 관리 대상 공장(200) 또는 소정의 공간에 별도의 모니터링 시스템을 구비하지 않아도 물리적인 공간의 제약 없이 서버(100)가 제공하는 웹사이트에 접속하여 관리하고자 하는 공장에 대한 통계적 관리 시스템을 이용할 수 있다.
일 실시예에 있어서, 서버(100)는 본 개시에 따른 통계적 관리 시스템을 제공하는 주체로서, 프로세서(110), 통신부(120) 및 메모리(130)를 포함한다. 통신부(120)는 관리 대상 공장(200)의 통신부(220) 및 사용자 단말(300)의 통신부(320)와 데이터를 송수신할 수 있도록 연결을 확립하고, 관리 대상 공장(200)의 각종 센서로부터 데이터들을 수신하거나, 관리 대상 공장(200)의 설비 장치들로 제어 신호를 송신하고, 사용자 단말(300)로 분석 결과들을 제공한다.
일 실시예에 있어서, 프로세서(110)는 관리 대상 공장(200)의 각종 센서로부터 수신한 데이터들에 기초하여 계측 값을 획득하고, 획득한 계측 값들로부터 제품의 적합도를 판단하며, 계측 값 및 제품 적합도를 포함하는 유저 인터페이스(UI)를 생성하여 사용자 단말(300)로 제공한다. 한편, 프로세서(110)는 소정의 시간 뒤에 예상되는 날씨 정보에 대응하는 불량률을 출력하기 위한 기계 학습을 수행할 수 있거나, 해당 기계 학습을 수행하기 위한 러닝 프로세서를 추가로 포함할 수 있다. 프로세서(110)는 기계 학습의 결과로 출력된 예상 불량률에 기초하여 관리 대상 공장의 온습도 제어 신호를 생성할 수 있으며, 생성된 온습도 제어 신호는 관리 대상 공장(200)의 온습도 제어 설비(260)로 송신할 수 있다.
일 실시예에 있어서, 메모리(130)는 통계적 공정 관리 시스템을 이용하는 사용자에 대한 계정 정보, 관리 대상 공장에 대한 공장 정보 및 관리 대상 공장(200)으로부터 수신한 센서 값들의 목표 값, 관리 범위 및 규격 범위를 포함하는 계측 기준 범위 등을 저장한다. 공장 정보는 사용자에 대한 계정 정보와 연동된 관리 대상 공장의 공장 식별 정보, 공정 라인 정보, 공정 센서 식별 정보 또는 제품 정보 중에서 적어도 하나 이상을 포함할 수 있다. 또한, 메모리(130)는 뉴럴 네트워크로 구성된 학습 모델을 저장하는 모델 저장부를 포함할 수 있고, 모델 저장부는 예상되는 날씨 정보에 대응하는 불량률을 출력하기 위해 회귀 분석 기반의 뉴럴 네트워크로 구성된 불량률 예측 모델을 포함할 수 있다.
일 실시예에 있어서, 서버(100)는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일실시예에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
일실시예에 따른 전자 장치는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 통계적 공정 관리 시스템 내 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 시스템 내 주체들은 네트워크를 통해 서로 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), WCDMA(Wideband Code Division Multiple Access), WiBro(Wireless Broadband), 3G(3rd Generation), LTE(Long-Term Evolution), WiMAX(Worldwide Interoperability for Microwave Acces) 및 5G(5th generation)등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.
일 실시예에 있어서, 관리 대상 공장(200)은 본 개시에 따른 통계적 공정 관리 시스템의 관리 및 분석의 대상이 되는 주체로서, 프로세서(210), 통신부(220), 공정 라인 설비(230), 이미지 센서(240), 공정 센서(250), 온습도 제어 설비(260)를 포함한다. 관리 대상 공장(200)은 서버(100)가 제공하는 통계적 공정 관리 시스템 서비스를 이용하고자 하는 사용자의 요청에 의해 서버(100)와 연결될 수 있으며, 서버(100)에서 생성된 제어 신호에 따라 관리 대상 공장(200)의 각종 설비들이 제어될 수도 있다. 한편, 앞서 서버(100)와 대응되는 기능을 가진 구성에 대한 구체적인 설명은 생략한다.
일 실시예에 있어서, 프로세서(210)는 관리 대상 공장(200)의 중앙 처리 장치에 해당하는 구성으로서, 예를 들어, 공정 라인 설비(230), 이미지 센서(240), 공정 센서(250), 온습도 제어 설비(260)와 같은 공장에 포함된 설비들을 제어하는 PLC(power line communication)로 구성될 수 있다.
일 실시예에 있어서, 공정 라인 설비(230)는 제품을 가공하기 위한 각종 설비들 및 자동 이송 설비 등을 포함하며, 제품을 가공하기 위한 각종 설비는, 예를 들어 금속 가공 설비의 경우 제품 성형, 절단, 피어싱, 밴딩, 도금 등의 설비를 포함할 수 있다. 자동 이송 설비는 컨베이어 벨트, 진공흡착이 가능한 핑거바를 포함하는 소정의 장치를 포함할 수 있다.
일 실시예에 있어서, 이미지 센서(240)는 제품의 가공이 완료된 후 가공된 제품의 규격을 실시간으로 계측하기 위한 공장의 비전 시스템(미도시)에 포함된 구성으로서, 이미지 센서(240)로 획득한 제품의 이미지 데이터를 미리 저장된 마스터 이미지와 비교하여 유사도에 따른 제품 적합도를 판정하는 프로세서, 판정된 제품 적합도를 서버(100)로 전송하는 통신부, 이미지의 조도를 일정하게 유지하기 위한 조명부를 포함할 수 있다. 자동 이송 설비를 통해 제품을 이송할 경우, 비전 시스템(미도시)은 이송된 제품을 라인 스캔 비전 카메라(line scan vision camera)를 이용하여 길이방향으로 스캐닝한 이미지를 조합하여 측정 이미지를 완성할 수 있고, 비전 카메라 하단에 바 타입(bar type)의 조명부를 설치하여 이미지의 조도를 일정하게 유지할 수 있다. 이에 따라, 이미지 센서(240)를 통해 획득한 제품의 이미지 데이터는 조명부와 제품의 경계에서의 조도 차이에 따라 상이한 픽셀 값을 가지는 픽셀 데이터를 포함할 수 있다. 한편, 이미지 센서(240)는 획득한 이미지 센서 데이터를 통신부(220)를 통해 서버(100)로 전송함으로써, 서버(100)가 미리 저장된 마스터 이미지와의 유사도에 따라 제품 적합도를 판정할 수도 있다. 여기서, 제품 적합도는 제품에 대응하는 계측 기준 범위를 포함하고, 계측 기준 범위는 제품의 이상적인 목표 값, 관리 범위 및 규격 범위를 포함할 수 있다. 마스터 이미지는 제품의 이상적이 목표 값에 따라 생성된 이미지 데이터로서, 실제 생산된 부품과의 공차를 확인하기 위해 사용될 수 있다.
일 실시예에 있어서, 공정 센서(250)는 공정 라인 설비(230)에 구비될 수 있고 공정 라인 설비(230)들의 공정 센서 계측값(예를 들어, 온도 센서 값, 습도 센서 값, 속도, 중간 생성물의 계측 값)에 대한 데이터를 획득하기 위한 구성으로서, 온도 센서, 습도 센서, 속도 센서, 계측기를 포함할 수 있다. 획득된 공정 센서 계측 값은 서버(100)로 전송되어 관리 대상 공장(200)을 모니터링하는데 이용될 수 있다.
일 실시예에 있어서, 온습도 제어 설비(260)는 공장의 평균 온습도, 공정 라인 설비(230)의 온습도, 또는 제품의 온습도 중 적어도 하나 이상의 온습도를 제어하기 위한 냉난방 모듈을 포함할 수 있다. 즉, 온습도 제어 설비(260)는 공장의 전반적인 온습도를 제어할 수 있거나, 이상 온습도가 검출된 특정 공정 라인 설비의 온습도를 제어할 수 있거나, 완제품의 온습도를 제어할 수 있는 소정의 냉난방 모듈을 포함할 수 있다.
일 실시예에 있어서, 사용자 단말(300)은 본 개시에 따른 통계적 공정 관리 시스템을 이용하는 주체로서, 프로세서(310) 통신부(320), 출력부(330)를 포함한다. 공장을 관리하고자 하는 사용자들은 서버(100)에서 제공하는 통계적 공정 관리 시스템의 서비스를 이용하여 관리 대상 공장의 각종 데이터를 모니터링할 수 있고, 통계적 분석 기법에 따른 공장의 관리도(control chart)를 분석함으로써, 공장의 최적화 및 제품의 불량률을 효과적으로 제어할 수 있다. 또한, 사용자는 관리 대상 공장(200)에서 획득되는 실시간 데이터들에 대한 각종 UI들을 웹사이트 상에서 제공받음으로써, 시간과 장소에 관계없이 관리 대상 공장(200)에 대해 모니터링하고 제어신호를 생성할 수 있다. 한편, 앞서 서버(100)와 대응되는 기능을 가진 구성에 대한 구체적인 설명은 생략한다.
일 실시예에 있어서, 프로세서(310)는 사용자 단말(300)의 통신부(320) 및 출력부(330)를 제어한다. 출력부(330)는 서버(100)에서 제공하는 UI를 표시하는 디스플레이부, 음향 출력부, 및 진동 모터 등을 포함할 수 있다.
한편, 도 1에 도시된 서버(100), 관리 대상 공장(200) 및 사용자 단말(300)이 포함하는 구성요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 더 많은 구성 요소에 의해 구현될 수도 있고, 더 적은 구성 요소에 의해 구현될 수도 있다. 또한, 통계적 공정 관리 시스템에서 수행하는 방법 및 동작은 서버(100)의 동작일 수 있지만, 상술한 바와 같이 서버(100), 관리 대상 공장(200) 또는 사용자 단말(300) 중 적어도 하나 이상에 의한 연계 동작일 수도 있다. 이하, 도 2를 참조하여 통계적 공정 관리 시스템의 제어 방법이 제공되는 실시예가 설명된다.
도 2는 일실시예에 따른 통계적 공정 관리 시스템의 제어 방법을 설명하기 위한 순서도이다.
일 실시예에 있어서, 관리 대상 공장(200)은 공정 설비로서 구비된 이미지 센서(240)로부터 제품에 대한 이미지 센서 데이터를 획득할 수 있다(S201). 공정 설비로서의 이미지 센서(240)는 다수의 공정을 거쳐 제조된 제품이 사용자가 목표로 하는 규격을 만족하는지 여부를 측정하기 위한 계측 값(예를 들어, 길이, 너비, 각도 등)을 획득하기 위한 구성으로서, 이미지 센서 데이터는 제품과 조명부의 경계에 대한 픽셀 값을 포함한다.
일 실시예에 있어서, 관리 대상 공장(200)은 획득한 이미지 센서 데이터를 서버(100)에 송신할 수 있다(S203). 관리 대상 공장(200)은 앞서 설명한 바와 같이 사용자의 요청 또는 서버 관리자의 등록에 의해 서버(100)와 연결이 확립된 주체일 수 있고, 통신부(220)를 통해 서버(100)와의 데이터 송수신을 수행할 수 있다. 서버(100)는 수신한 이미지 센서 데이터로부터 제품에 대한 이미지 센서 계측 값을 획득할 수 있다(S205). 예를 들어, 금속을 가공하여 수나사를 생산하는 공장의 경우, 서버(100)는 수나사를 제조하는 공장으로부터 나사의 이미지 센서 데이터를 수신하고, 수나사 이미지 센서 데이터의 픽셀들에서 조명 부분과 수나사의 경계를 추출하는 기술을 이용하여 수나사의 외경, 유효지름, 골지름, 피치, 나사산의 각도를 획득할 수 있다.
일 실시예에 있어서, 서버(100)는 획득한 이미지 센서 계측 값이 대응하는 계측 기준 범위들 중에서 충족하는 범위를 판단할 수 있다(S207). 예를 들어, 서버(100)는 이미지 센서 계측 값으로부터 획득한 수나사의 외경, 유효지름, 골지름, 피치, 나사산의 각도가 각각 목표 값, 관리 범위 및 규격 범위 중 어떤 계측 기준 범위에 포함되는지를 판단할 수 있다. 구체적으로, 이미지 센서 데이터로 측정된 외경의 계측 값이 6.65mm인 수나사가 대응하는 계측 기준 범위로서, 목표 값이 6.5mm이고, 관리 범위는 6.5±0.25mm, 규격 범위는 6.5±0.5mm인 경우, 서버(100)는 계측된 수나사가 관리범위에 포함된다고 판단할 수 있다.
일 실시예에 있어서, 서버(100)는 이미지 센서 계측 값이 충족하는 계측 기준 범위에 기초하여 제품 적합도를 판단할 수 있다(S209). 제품 적합도는 대상 이미지 센서 계측 값이 관리 범위, 규격 범위 중 어느 계측 기준 범위에 해당하는지에 기초하여, 대상 제품이 적합, 관리범위 이탈, 규격 범위 이탈 중 어느 하나에 해당한다고 판단할 수 있다. 예를 들어, 이미지 센서 데이터로 측정된 수나사의 외경이 관리 범위에 포함된다고 판단한 경우, 서버(100)는 상기 측정된 수나사가 '적합'하다고 판단할 수 있다. 또한, 상기 측정된 수나사의 외경이 관리 범위 밖이고 규격 범위 내인 경우, 서버(100)는 상기 수나사를 '관리 범위 이탈'에 해당한다고 판단할 수 있다. 또한, 같은 방식으로, 측정된 수나사가 규격 범위 밖인 경우, 서버(100)는 상기 수나사를 '규격 범위 이탈'에 해당한다고 판단할 수 있다.
일 실시예에 있어서, 서버(100)는 이미지 센서 계측 값 및 제품 적합도를 포함하는 유저 인터페이스(UI)를 생성할 수 있다(S211). UI는 통계적 공정 관리 시스템을 사용하는 사용자에게 공정의 관리 현황을 실시간으로 제공하기 위한 다양한 유형의 UI들을 포함할 수 있고, 일 실시예로서, 공정 관리 UI, 제품 관리 UI, 계측 로그 UI, 관리도 분석 UI, 모니터링 UI, 온습도 관리 UI, 수입, 공정, 출하 검사 UI, 검교정 관리 UI, 메시지 전송 UI 등을 포함할 수 있다. 다양한 유형의 UI에 대한 설명은 아래 도 3 내지 6을 참조하여 구체적으로 설명된다. 한편, 후술하는 UI들은 하나의 예시에 불과한 것으로서, 설명된 UI들보다 더 많은 수의 UI를 포함하여 서버가 구성될 수 있으며, 설명된 UI들보다 더 적은 수의 UI를 포함하여 서버가 구성될 수도 있다.
일 실시예에 있어서, 사용자 단말(300)은 서버(100)에 접속을 요청할 수 있다(S213). 통계적 공정 관리 시스템을 이용하고자 하는 사용자는 서버(100)에서 제공하는 웹사이트에 접속할 수 있고, 사용자 등록을 통해 서버(100)와 연결되거나, 미리 등록된 사용자 계정 정보(예를 들어, ID 및 패스워드)를 입력하여 접속할 수 있다. 일 실시예에 있어서, 서버(100)는 사용자 단말(300)에서 입력한 사용자 계정 정보가 서버(100)의 메모리에 저장된 사용자 계정 정보와 일치하는지 여부에 응답하여 접속 요청된 사용자 단말(300)과의 연결을 수립할 수 있다(S215). 서버(100)는 사용자 단말(300)과의 연결 수립에 대한 응답으로서, 생성한 각종 UI를 사용자 단말(300)로 송신할 수 있다(S217). 사용자 단말(300)의 출력부(예를 들어, 디스플레이)는 서버(100)를 통해 제공된 각종 UI를 출력할 수 있다(S219).
도 3은 일실시예에 따른 사용자 단말에 디스플레이되는 통계적 공정 관리 시스템의 공장 관리 UI를 설명하기 위한 도면이다.
일 실시예에 있어서, 공장 관리 UI는 통계적 공정 관리 시스템을 이용하는 사용자에 대한 계정 정보와 연동된 관리 대상 공장에 대한 정보를 추가, 삭제 및 수정하는 인터페이스를 제공할 수 있다. 관리 대상 공장에 대한 정보는 관리 대상 공장의 공장 식별 정보, 공정 라인 정보, 공정 센서 식별 정보 또는 제품 정보 중에서 적어도 하나 이상을 포함할 수 있다. 즉, 사용자 또는 시스템 관리자는 공장 관리 UI를 통해 관리하고자 하는 공장의 정보를 서버(100)에 등록함으로써, 관리 대상 공장에서 획득할 수 있는 데이터들을 통계적 공정 관리 시스템을 이용하여 관리할 수 있다. 도 3에 도시된 공장 관리 UI의 실행 화면을 참조하면, 환경설정 중 사용자관리에 대한 인터페이스를 도시하고 있다. 예를 들어, 사용자는 공장 관리 UI를 통해 사용자 관리 탭을 이용하여 등록된 사용자 ID에 대해 성명, 부서, 비밀번호, 그룹명 등을 추가할 수 있다.
도 4는 일 실시예에 따른 사용자 단말에 디스플레이되는 통계적 공정 관리 시스템의 제품 관리 UI를 설명하기 위한 도면이다.
일 실시예에 있어서, 제품 관리 UI는 관리 대상 공장에서 생산하는 제품의 제품 식별 정보, 부품 종류, 공정 라인 종류, 제품의 계측 값을 측정하기 위한 이미지 센서 식별 정보 또는 관리 담당자 중 하나 이상을 포함하는 제품 정보를 추가, 삭제 및 수정하는 인터페이스를 제공할 수 있다. 즉, 사용자는 관리 대상 공장에서 생산된 제품의 다양한 식별 정보를 입력함으로써, 제품의 식별 정보별, 부품 종류별, 공정 라인별, 계측 값별 또는 담당자별로 관리할 수 있는 서비스를 제공받을 수 있다. 도 4는 일 실시예에 따른 제품 관리 UI의 실행 화면으로서, 기본등록 중 관리항목등록에 대한 인터페이스를 도시하고 있다. 예를 들어, 사용자는 제품이 해당하는 공정 라인 종류, 품질 특성 코드, 항목명(공정의 종류) 등을 제품 관리 UI를 통해 추가, 삭제 및 수정할 수 있다.
도 5는 일 실시예에 따른 사용자 단말에 디스플레이되는 통계적 공정 관리 시스템의 계측 로그 UI를 설명하기 위한 도면이다.
일 실시예에 있어서, 계측 로그 UI는 관리 대상 공장에서 생산하는 제품에 대응하는 제품 식별 정보, 제품에 대한 이미지 센서 계측 값 및 제품 적합도를 포함하도록 구성된 계측 로그를 포함하는 인터페이스를 제공할 수 있다. 즉, 사용자는 관리 대상 공장에서 생산된 제품의 식별 정보별로 구분되는 제품의 이미지 센서 계측 값 및 제품 적합도에 대한 기록을 제공받을 수 있다. 또한, 사용자는 제품 식별 정보별로 구분되는 데이터 기록 값 외에도, 부품 종류별, 공정 라인별, 계측 값별 또는 담당자별로 구분되는 제품의 이미지 센서 계측 값 및 제품 적합도에 대한 기록을 제공받을 수도 있다. 즉, 사용자는 계측 로그 UI를 통해 제품의 계측 값 및 제품 적합도에 대한 실시간 정보를 제공받을 수 있다. 도 5는 계측 로그 UI의 실행 화면으로서, 자료분석 중 이탈조회에 대한 인터페이스를 도시하고 있다. 예를 들어, 사용자는 제품의 품질 특성에 따른 규격상한, 규격목표, 규격하한, 관리상한, 관리하한, 측정값 및 이탈 유형에 대한 기록을 실시간으로 제공받을 수 있다. 한편, 계측 로그 UI는 이탈유형 중 관리상한이탈과 규격상한이탈을 색깔을 달리하여 제공함으로써, 사용자가 대상 시스템의 접속할 경우 한 눈에 제품의 관리범위 및 규격범위를 이탈했는지 여부를 확인할 수 있다.
도 6은 일 실시예에 따른 사용자 단말에 디스플레이되는 통계적 공정 관리 시스템의 관리도 분석 UI를 설명하기 위한 도면이다.
일 실시예에 있어서, 관리도 분석 UI는 관리 대상 공장에서 생산하는 제품에서 획득한 계측 값들에 기초하여, 제품의 관리도(control chart), 분포도, 공정능력지수에 대한 Cp 차트 또는 Cpk 차트 중 하나 이상을 포함하는 인터페이스를 제공할 수 있다. 관리도는 제품의 품질의 산포를 관리하기 위해, 제품의 목표 값(중심선)을 중심으로 두 개의 관리 상한선 및 관리 하한선을 설정한 그래프로서, 대표적으로 Xbar-R 관리도, Xbar-S 관리도, Xbar-Rs 관리도, p 관리도 등을 포함한다. 사용자는 관리도를 통해 제품의 품질을 일정하게 유지하는지 여부를 확인할 수 있으며, 품질 불량이 발생하는 원인을 추론하는 데에도 이용할 수 있다. 공정능력지수(Cp)는 공정 능력의 정도를 평가하기 위한 수치로서, 주어진 작업조건 하에서 품질산포크기(예를 들어, 6σ)를 규격의 크기와 비교하여 다음과 같이 산출될 수 있다.
여기서, USL(Upper Specification Limit)은 규격 상한을 의미하며, LSL(Lower Specification Limit)은 규격 하한을 의미한다. 산출된 Cp의 범위를 통해 예상되는 불량률을 추론할 수 있으며, Cp 값이 높을수록 불량률이 적은 공장이라고 판단할 수 있다.
한편, 분포의 중심치가 규격 상한 또는 규격 하한 중 어느 쪽으로 치우침이 생기는지 여부를 평가하기 위해, 공정능력지수(Cpk)를 다음과 같이 산출할 수 있다.
Cp와 Cpk 값은 설정된 관리 규격 값이 공정 능력에 적합한지 여부를 평가하기 위한 자료로 사용될 수 있으며, 공정 가동 조건의 변동 전후로 Cp와 Cpk 값의 변화 정도를 분석하여 적절한 조치가 취해졌는지 여부를 평가하기 위해 사용될 수도 있다.
일 실시예에 따른 도 6은 관리도 분석 UI의 실행 화면으로서, 관리도분석 중 관리도(Xbar-R), 관리도(Xbar-S)에 대한 인터페이스를 도시하고 있다. 예를 들어, 사용자는 제품의 모델명, 계측기명, LOT 번호, Xbar 값, R 값, S 값에 대한 기록을 저장한 로그 데이터와, X-bar 차트, X-bar R 차트를 시간에 따른 그래프로 실시간으로 제공받을 수 있다. 이처럼, 사용자는 웹사이트를 통해 실시간으로 관리도 정보를 제공받을 수 있어, 관리 대상 공장의 관리 정도를 시간과 장소에 관계없이 평가하고, 적절한 조치를 취할 수 있다.
한편, 일 실시예에 있어서, 도면에는 도시되지 않았지만, 통계적 공정 관리 시스템의 UI는 다양한 유형의 UI들, 예를 들어 모니터링 UI, 온습도 관리 UI, 검교정 관리 UI, 메시지 전송 UI 등을 더 포함할 수 있다.
일 실시예에 있어서, 모니터링 UI는 제품에 대응하는 공정 센서 계측 값 및 이미지 센서 계측 값의 히스토리, 상기 히스토리에 대응하는 시간에 따른 계측 값의 그래프 및 제품 적합도를 포함하며, 제품 적합도에 대응하는 조치 내역을 추가, 수정 및 삭제할 수 있는 인터페이스를 제공한다. 즉, 모니터링 UI는 여러 공정 과정을 거친 제품에 대한 계측 값뿐만 아니라, 공정 설비에 구비된 각종 센서들(예를 들어, 온도 센서, 습도 센서 등)로부터 획득한 공정 센서 계측 값들을 기록한 로그를 추가로 제공할 수 있다. 이처럼, 사용자는 완제품이 규격을 만족하는지 여부뿐만 아니라, 현재 공장의 설비들의 가동 상태에 대해서도 실시간으로 확인할 수 있다.
일 실시예에 있어서, 온습도 관리 UI는 서버(100)에서 판단된 제품 적합도에 기초하여 불량률을 계산하고, 온습도 센서 값과 불량률 사이의 상관 관계를 나타내는 그래프를 나타내는 인터페이스를 제공할 수 있다. 관리 대상 공장의 공정 설비에 구비된 각종 센서들은 온도 센서 및 습도 센서를 포함할 수 있고, 따라서 공정 센서 계측 값은 온도 센서 값 및 습도 센서 값을 포함할 수 있다. 앞서 상술한 바와 같이, 서버(100)는 획득한 제품에 대한 이미지 센서 계측값에 기초하여 제품 적합도를 판단할 수 있고, 불량률은 생산된 총 제품 수 중 규격상한이탈에 해당한다고 판단된 제품의 수의 비율로 계산될 수 있다. 이에 따라, 서버(100)는 온습도 센서 값과 계산된 불량률과의 상관 관계를 나타내는 그래프를 제공하는 온도 관리 UI를 생성할 수 있다. 사용자는 온습도 관리 UI를 이용하여 온습도에 따른 불량률의 상관관계를 한눈에 파악할 수 있으며, 온습도에 따른 불량률 관리를 위한 공정 계획을 수립하고 공정의 최적화된 온습도 관리를 수행할 수 있다.
일 실시예에 있어서, 검교정 관리 UI는 공정 설비에 구비된 각종 공정 센서들 및 이미지 센서들(즉, 측정 시스템)을 제어하기 위한 인터페이스 및 반복성과 재현성 지수를 나타내는 인터페이스를 제공할 수 있다. 구체적으로, 사용자는 검교정 관리 UI를 통해 센서들을 추가, 변경, 삭제하거나 센서들의 민감도를 제어할 수 있고, 센서들에 고장이 발생한 경우 고장 유형 및 고장 유형에 따른 적절한 조치를 실시간으로 확인할 수 있다. 또한, 사용자는 검교정 관리 UI를 통해 제품의 계측 값을 반복적으로 측정했을 때의 반복 측정한 계측 값이 얼마나 일관성이 있는지를 평가하는 반복성 지수 및 각각의 담당자가 측정한 결과가 얼마나 제품의 목표 값과 일치하는지를 평가하는 재현성 지수를 확인하여, 공정 설비의 관리 정도를 실시간으로 확인할 수 있다.
일 실시예에 있어서, 메시지 전송 UI는 공정 센서 계측 값, 이미지 센서 계측 값, 또는 제품 적합도 중 적어도 하나를 포함하는 알람을 사용자의 단말에 전송하기 위한 인터페이스를 제공할 수 있다. 사용자는 미리 설정한 알람 수단에 기초하여 SMS, LMS, 전자 메일, 메신저 메시지 또는 단말 푸시 알람 중에서 적어도 하나 이상의 수단으로 사용자 단말에 알람을 전송할 수 있다. 예를 들어, 사용자는 메시지 전송 UI를 통해 규격상한이탈에 해당하는 제품이 검출된 경우, 미리 설정한 알람 수단(예를 들어, SMS)으로 자신의 단말에 알람을 전송하도록 설정할 수 있다.
한편, 도 3 내지 6에 도시된 UI들 및 도시되지 않은 UI들은 하나의 예시에 불과하며, 이를 구성하는 각 구성 요소들은 일부 생략되거나 그 순서가 바뀔 수도 있으며, 적어도 일부가 병렬적으로 수행될 수 있다.
도 7은 일실시예에 따른 통계적 공정 관리 시스템의 제어 방법을 설명하기 위한 순서도이다. 통계적 공정 관리 시스템에서 수행하는 방법 및 동작은 서버(100)의 동작일 수 있지만, 도 7에 도시된 바와 같이 서버(100), 관리 대상 공장(200) 또는 사용자 단말(300) 중 적어도 하나 이상에 의한 연계 동작일 수도 있다.
일 실시예에 있어서, 관리 대상 공장(200)은 공정 설비로서 구비된 이미지 센서 및 온습도 센서로부터 제품에 대한 이미지 센서 데이터 및 온습도 센서 값을 획득할 수 있다(S701). 상술한 바와 같이, 온습도 센서는 공정 설비에 구비된 각종 센서들에 포함된 구성으로서, 온습도 센서 값은 공정 센서 계측 값들에 포함된다. 획득한 이미지 센서 데이터 및 온습도 센서 값은 관리 대상 공장(200)의 통신부를 통해 서버(100)로 송신될 수 있다(S703).
일 실시예에 있어서, 서버(100)는 수신한 이미지 센서 데이터로부터 제품에 대한 이미지 센서 계측 값을 획득할 수 있다(S705). 앞서 상술한 바와 같이, 서버(100)는 제품의 이미지 센서 데이터의 픽셀들에서 제품과 조명과의 경계를 추출하는 기술을 이용하여 제품의 계측 값을 획득할 수 있다. 일 실시예에 있어서, 서버(100)는 획득한 이미지 센서 계측 값이 대응하는 계측 기준 범위들 중에서 충족하는 범위를 판단할 수 있다(S707). 상술한 바와 같이, 계측 기준 범위들은 목표 값, 관리 범위 및 규격 범위를 포함할 수 있다. 그 후, 서버(100)는 이미지 센서 계측 값이 충족하는 계측 기준 범위에 기초하여 제품 적합도 및 불량률을 판단할 수 있다(S709). 상술한 바와 같이, 제품 적합도는 적합, 관리범위 이탈, 규격 범위 이탈을 포함할 수 있고, 불량률은 생산된 총 제품 수 중 규격상한이탈에 해당한다고 판단된 제품의 수의 비율로 계산될 수 있다.
일 실시예에 있어서, 서버(100)는 수신한 온도 센서 값 및 습도 센서 값과 불량률 사이의 상관 관계를 나타내는 그래프를 나타내는 인터페이스를 제공하는 온습도 관리 UI를 생성할 수 있다(S711). 앞서 설명된 온습도 관리 UI에 대해 중복되는 설명은 생략한다.
일 실시예에 있어서, 사용자 단말(300)은 서버(100)에 접속을 요청할 수 있다(S713). 통계적 공정 관리 시스템을 이용하고자 하는 사용자는 서버(100)에서 제공하는 웹사이트에 접속할 수 있고, 사용자 등록을 통해 서버(100)와 연결되거나, 미리 등록된 사용자 계정 정보(예를 들어, ID 및 패스워드)를 입력하여 접속할 수 있다. 일 실시예에 있어서, 서버(100)는 사용자 단말(300)에서 입력한 사용자 계정 정보가 서버(100)의 메모리에 저장된 사용자 계정 정보와 일치하는지 여부에 응답하여 접속 요청된 사용자 단말(300)과의 연결을 수립할 수 있다(S715). 서버(100)는 사용자 단말(300)과의 연결 수립에 대한 응답으로서, 생성한 온도 관리 UI를 사용자 단말(300)로 송신할 수 있다(S717). 사용자 단말(300)의 출력부(예를 들어, 디스플레이)는 서버(100)를 통해 제공된 온도 관리 UI를 출력할 수 있다(S719).
한편, 공장에서 생산되는 제품의 불량률은 공장 내부의 온도 및 습도뿐만 아니라 공장 외부의 온도 및 습도에 의해 상당한 영향을 받을 수 있다. 예컨대, 온습도에 민감한 소자로 제조된 제품의 경우 공장 내부 및 외부의 온습도에 따라 측정되는 계측 값의 범위가 상당히 넓어질 수 있고, 특히 날씨가 더운 여름에는 작업자들의 실수가 잦을 수 있어, 이로 인해 7~8월의 불량률이 크게 증가하는 경향이 있었다(예를 들어, 금속 가공 공장의 경우 평균 불량률 0.5% 에서 7~8월의 불량률이 각각 2.88%와 3.24%로 크게 증가함). 즉, 내부 온습도를 일정하게 유지하고 있더라도 외부의 온습도의 변화에 따라 불량률이 달라질 수 있다는 문제점이 있었고, 이에 따라 예상되는 날씨 정보에 따라 공장 내부의 온도를 제어하기 위해 뉴럴 네트워크로 구성된 미리 학습된 불량률 예측 모델을 이용할 수 있다.
여기서, 미리 학습된 불량률 예측 모델은 서버(100)의 프로세서에서 기계 학습을 이용하여 미리 학습될 수 있고, 서버(100)의 메모리에 저장될 수 있다. 불량률 예측 모델의 학습에 이용되는 학습 데이터는 입력 데이터와 라벨 정보를 포함할 수 있고, 불량률 예측 모델은 지도 학습될 수 있다. 입력 데이터는 관리 대상 공장 내부의 온도 센서 값, 습도 센서 값, 관리 대상 공장의 외부 온도 값, 외부 습도 값을 포함할 수 있고, 라벨 정보는 해당 관리 대상 공장 내부의 온도 센서 값, 습도 센서 값, 관리 대상 공장의 외부 온도 값, 외부 습도 값에서 측정되는 불량률을 포함할 수 있다. 관리 대상 공장의 온도 센서 값 및 습도 센서 값은 관리 대상 공장의 공정 설비에 구비되어, 관리 대상 공장의 전체적인 온도 및 습도를 측정할 수 있거나, 특정 공정 설비에 구비되어 해당 설비의 온도 및 습도를 측정할 수 있다. 관리 대상 공장의 외부 온도 값 및 습도 값은 관리 대상 공장의 위치 정보에 기초하여 수집된 온도 값 및 습도 값일 수 있다.
서버(100)의 프로세서는 학습 데이터에 기초하여 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 입력 벡터를 생성하여 불량률 예측 모델의 입력 레이어에 인가하고, 불량률 예측 모델은 학습 데이터로부터 도출된 가중치와 편향에 기초하여 출력 벡터로서의 불량률을 출력 레이어(output layer)로 출력할 수 있다. 서버(100)의 프로세서는 출력 벡터와 학습 데이터에 포함된 라벨 정보를 비교하여, 그 차이를 줄이는 방향으로 최적화될 수 있다.
일 실시예에 있어서, 서버(100)는 관리 대상 공장(200)의 위치 정보에 대응되는 소정의 시간 뒤에 예상되는 날씨 정보에 기초한 입력 벡터를 불량률 예측 모델의 입력 레이어에 인가할 수 있다(S721). 서버(100)는 메모리에 저장된 관리 대상 공장(200)의 식별 정보로부터 관리 대상 공장(200)의 위치 정보를 획득하거나, 관리 대상 공장(200)의 GPS 신호로부터 관리 대상 공장(200)의 위치 정보를 획득할 수 있다. 서버(100)는 기상청으로부터 획득한 관리 대상 공장(200)의 위치 정보에 기초한 미리 결정된 시간 뒤(예를 들어, 3시간 뒤)에 예상되는 날씨 정보를 수신할 수 있다. 날씨 정보는 관리 대상 공장(200)의 외부 온도 값 및 외부 습도 값을 포함할 수 있다. 예를 들어, 관리 대상 공장(200)의 위치가 인천시 남동구 구월동인 경우, 서버(100)는 해당 주소에 대한 3시간 뒤의 일기 예보 정보를 기상청으로부터 수신하여, 관리 대상 공장(200)의 외부 온도 값 및 외부 습도 값을 획득할 수 있다. 서버(100)는 관리 대상 공장(200)의 현재 온도 센서 값 및 습도 센서 값과 관리 대상 공장(200)의 위치 정보에 대응되는 예상 날씨 정보에 기초하여 입력 벡터를 생성하고, 생성된 입력 벡터를 불량률 예측 모델의 입력 레이어에 인가할 수 있다.
일 실시예에 있어서, 서버(100)는 미리 학습된 불량률 예측 모델로부터 출력된 불량률에 관한 출력 벡터를 획득할 수 있다(S723). 출력 벡터는 인가한 입력 벡터에 대응하는 온도 값 및 습도 값에 대한 예상 불량률일 수 있다.
일 실시예에 있어서, 서버(100)는 불량률 예측 모델의 출력 벡터로부터 획득한 예상 불량률을 기초로 관리 대상 공장(200)의 온습도를 제어하는 온습도 제어 신호를 생성할 수 있다(S725). 일 실시예에 있어서, 불량률 예측 모델의 출력 벡터로부터 획득한 예상 불량률과 현재 측정된 불량률과의 차이가 미리 결정된 임계 값 이상인 경우, 관리 대상 공장(200)의 온도를 제어하는 신호를 생성할 수 있다.
예를 들어, 현재 관리 대상 공장(200)의 온도 센서 값에서 측정된 온도 값이 26℃습도 센서 값에서 측정된 습도 값이 60%, 공장 외부 온도 값이 28℃공장 외부 습도 값이 65%일 때, 현재 관리 대상 공장(200)의 불량률은 0.3%로 측정될 수 있다. 이 때, 미리 결정된 시간(예컨대, 3시간) 뒤의 공장 외부 온도 값이 32℃, 외부 습도 값이 75%로 증가하는 경우, 불량률 예측 모델의 입력 레이어로 관리 대상 공장(200)의 온도 값 26℃습도 값 60%와 예상 외부 온도 값 32℃예상 외부 습도 값 75%에 기초한 입력 벡터를 인가할 수 있고, 출력 벡터로부터 1.5%의 예상 불량률을 획득할 수 있다. 계산된 현재 불량률 0.3%와 예상 불량률 1.5%의 차이가 미리 결정된 임계값(예를 들어, 1%) 이상인 경우, 서버(100)는 관리 대상 공장(200)의 온도 및 습도를 제어하는 신호를 생성할 수 있다. 한편, 서버(100)에서 관리 대상 공장(200)의 온도 및 습도를 제어하는 신호를 생성하는 구체적인 방법은 도 8을 기초로 아래에 더 구체적으로 설명된다.
일 실시예에 있어서, 서버(100)는 관리 대상 공장(200)으로 생성된 온습도 제어 신호를 송신할 수 있다(S727). 관리 대상 공장(200)은 수신한 온습도 제어 신호에 기초하여 관리 대상 공장(200)에 구비된 온습도 제어 설비를 가동시킬 수 있다(S729). 관리 대상 공장(200)의 프로세서는 공장의 온도 및 습도 센서에서 측정되는 온도 값 및 습도 값을 온습도 제어 신호에 따른 온도 값과 일치하도록 온습도 제어 설비(260)를 제어할 수 있다. 예를 들어, 온습도 제어 신호가 현재 온도보다 2℃낮은 온도 조정 값 및 현재 습도보다 5% 높은 습도 조정 값을 기준으로 생성된 경우, 관리 대상 공장(200)은 온도 및 습도 센서에서 측정되는 온도 값 및 습도 값이 온도 조정 값 및 습도 조정 값이 될 때까지 온습도 제어 설비(260)를 가동시킬 수 있다.
도 8은 일 실시예에 따른, 도 7의 단계(S725)의 온습도 제어 신호를 생성하기 위한 방법을 설명하기 위한 순서도이다.
일 실시예에 있어서, 서버(100)는 현재 온도 센서 값 및 현재 습도 센서 값 각각을 기초로 온도 조정 값 세트 및 습도 조정 값 세트를 생성할 수 있다(S801). 온도 조정 값 세트는 현재 온도 센서 값에 미리 정해진 온도 변화량을 더함으로써 생성될 수 있다. 예를 들어, 현재 온도 센서 값이 26℃이고, 미리 정해진 온도 변화량이 -5℃, -3℃, -1℃, 0℃, 1℃, 3℃, 5℃인 경우, 온도 조정 값 세트는 각각 21℃, 23℃, 25℃, 26℃, 27℃, 29℃, 31℃의 조정 값들을 가질 수 있다. 마찬가지로, 습도 조정 값 세트는 현재 습도 센서 값이 65%인 경우, 미리 결정된 습도 변화량(-5%, -3%, -1%, 0%, 1%, 3%, 5%)을 현재 습도 센서 값에 더함으로써 생성될 수 있다(즉, 습도 조정 값 세트는 60%, 62%, 64%, 65%, 66%, 68%, 70%의 습도 조정 값을 가질 수 있다).
일 실시예에 있어서, 서버(100)는 생성된 온도 조정 값 세트에 포함된 각각의 온도 조정 값 및 현재 습도 센서 값에 기초하여, 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 각각의 온도 입력 벡터를 생성할 수 있다(S803). 온도 입력 벡터는 온도 조정 값 세트와 현재 습도 센서 값, 미리 결정된 시간 뒤의 외부 온도 값, 외부 습도 값에 기초하여 생성될 수 있다. 일 실시예에 있어서, 서버(100)는 생성된 온도 입력 벡터를 미리 학습된 불량률 예측 모델의 입력 레이어에 인가하여 온도 출력 벡터를 획득할 수 있다(S805). 일 실시예에 있어서, 서버(100)는 온도 출력 벡터에 기초하여 획득한 불량률 중 가장 작은 불량률에 대응하는 온도 결정 값을 선택할 수 있다(S807). 예를 들어, 서버(100)는 21℃, 23℃, 25℃, 26℃, 27℃, 29℃, 31℃의 온도 조정 값들을 가지는 온도 조정 값 세트와 현재 습도 센서 값, 미리 결정된 시간 뒤의 외부 온도 값, 외부 습도 값에 기초한 입력 벡터를 불량률 예측 모델의 입력 레이어에 인가할 경우, 출력 레이어로 3%, 1%, 0.3%, 0.6%, 1%, 2%, 3%의 불량률을 가지는 출력 벡터를 획득할 수 있다. 서버(100)는 획득한 출력 벡터로부터 가장 작은 불량률(0.3%)을 가지는 25℃를 온도 결정 값으로 선택할 수 있다.
일 실시예에 있어서, 서버(100)는 생성된 습도 조정 값 세트에 포함된 각각의 습도 조정 값 및 선택된 온도 결정 값에 기초하여, 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 각각의 습도 입력 벡터를 생성할 수 있다(S809). 일 실시예에 있어서, 서버(100)는 생성된 습도 입력 벡터를 미리 학습된 불량률 예측 모델의 입력 레이어에 인가하여 습도 출력 벡터를 획득할 수 있다(S811). 일 실시예에 있어서, 서버(100)는 습도 출력 벡터에 기초하여 획득한 불량률 중 가장 작은 불량률에 대응하는 습도 결정 값을 선택할 수 있다(S813). 예를 들어, 서버(100)는 60%, 62%, 64%, 65%, 66%, 68%, 70%의 습도 조정 값들을 가지는 습도 조정 값 세트와 상기 선택된 온도 결정 값, 미리 결정된 시간 뒤의 외부 온도 값, 외부 습도 값에 기초한 입력 벡터를 불량률 예측 모델의 입력 레이어에 인가할 경우, 출력 레이어로 1%, 0.3%, 0.5%, 0.7%, 1.2%, 1.5%, 2%의 불량률을 가지는 출력 벡터를 획득할 수 있다. 서버(100)는 획득한 출력 벡터로부터 가장 작은 불량률(0.3%)을 가지는 62%를 습도 결정 값으로 선택할 수 있다.
이 후, 서버(100)는 선택된 온도 결정 값 및 습도 결정 값에 기초하여 온습도 제어 신호를 생성할 수 있다(S815). 단계(S815) 이후의 서버(100)의 동작은 도 7의 단계(S725) 이후의 동작에 대응될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (5)
- 웹 기반의 통계적 공정 관리 시스템을 제공하는 서버에 있어서,
사용자의 적어도 하나 이상의 관리 대상 공장에 구비된 이미지 센서로부터 제품(product)에 대한 이미지 센서 데이터 및 상기 제품에 대응하는 적어도 하나 이상의 공정 설비에 구비된 적어도 하나 이상의 공정 센서에 대한 적어도 하나 이상의 공정 센서 계측 값을 수신하는 통신부;
상기 사용자의 계정 정보, 상기 관리 대상 공장에 대한 공장 정보(factory information) 및 센서 값들의 목표 값, 관리 범위 및 규격 범위를 포함하는 계측 기준 범위들을 저장하는 메모리; 및
획득한 상기 이미지 센서 데이터로부터 상기 제품에 대한 이미지 센서 계측 값을 획득하고, 획득한 상기 이미지 센서 계측 값이 대응하는 상기 계측 기준 범위들 중에서 충족하는 범위를 판단하고, 판단된 상기 충족하는 범위에 기초하여 제품 적합도를 판단하고, 상기 이미지 센서 계측 값 및 상기 제품 적합도를 포함하는 UI(User Interface)를 제공하는 프로세서
를 포함하고,
상기 공장 정보는
상기 계정 정보와 연동된 상기 관리 대상 공장의 공장 식별 정보, 공정 라인 정보, 공정 센서 식별 정보 또는 제품 정보 중에서 적어도 하나 이상을 포함하고,
상기 UI는 웹 페이지 또는 웹 어플리케이션으로 구현되고:
상기 관리 대상 공장에 대응하는 상기 공장 정보를 추가, 삭제 및 수정하는 인터페이스를 제공하는 공장 관리 UI;
상기 제품의 제품 식별 정보, 부품 종류, 공정 라인 종류, 상기 이미지 센서에 대응하는 이미지 센서 식별 정보 또는 관리 담당자 중 하나 이상을 포함하는 제품 정보를 추가, 삭제 및 수정하는 인터페이스를 제공하는 제품 관리 UI;
상기 제품에 대응하는 상기 제품 식별 정보, 상기 계측 기준 범위들, 상기 이미지 센서 계측 값 및 상기 제품 적합도를 포함하여 구성된 계측 로그를 포함하는 인터페이스를 제공하는 계측 로그 UI; 및
상기 제품의 Xbar-R 관리도(control chart), Xbar-s 관리도, Xbar-Rs 관리도, 분포도, Cp 차트 또는 Cpk 차트 중 하나 이상을 포함하는 인터페이스를 제공하는 관리도 분석 UI;
를 포함하고,
상기 적어도 하나 이상의 공정 센서 계측 값은
온도 센서 값 및 습도 센서 값을 포함하고,
상기 프로세서는
상기 관리 대상 공장의 현재 온도 센서 값, 현재 습도 센서 값 및 상기 관리 대상 공장의 위치 정보에 대응되는 미리 결정된 시간 뒤의 외부 온도 값 및 미리 결정된 시간 뒤의 외부 습도 값을 포함하는 예상 날씨 정보에 기초한 입력 벡터를 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 인가하고;
상기 미리 학습된 불량률 예측 모델의 출력 레이어(output layer)로부터 예상 불량률에 관한 출력 벡터를 획득하고;
상기 출력 벡터로부터 획득한 상기 예상 불량률과 현재 측정된 불량률과의 차이가 미리 결정된 임계 값 이상인 경우, 현재 온도 센서 값 및 현재 습도 센서 값에 기초하여 온도 조정 값 세트 및 습도 조정 값 세트를 생성하고;
상기 온도 조정 값 세트에 포함된 각각의 온도 조정 값, 상기 현재 습도 센서 값, 상기 미리 결정된 시간 뒤의 외부 온도 값 및 상기 미리 결정된 시간 뒤의 외부 습도 값에 기초하여, 상기 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 각각의 온도 입력 벡터를 생성하고;
상기 온도 입력 벡터를 상기 미리 학습된 불량률 예측 모델의 입력 레이어에 인가하여 온도 출력 벡터를 획득하고;
상기 온도 출력 벡터에 기초하여 획득한 불량률 중 가장 작은 불량률에 대응하는 온도 결정 값을 선택하고;
상기 선택된 온도 결정 값, 상기 습도 조정 값 세트에 포함된 각각의 습도 조정 값, 상기 미리 결정된 시간 뒤의 외부 온도 값 및 상기 미리 결정된 시간 뒤의 외부 습도 값에 기초하여, 상기 미리 학습된 불량률 예측 모델의 입력 레이어(input layer)에 대응하는 각각의 습도 입력 벡터를 생성하고;
상기 습도 입력 벡터를 상기 미리 학습된 불량률 예측 모델의 입력 레이어에 인가하여 습도 출력 벡터를 획득하고;
상기 습도 출력 벡터에 기초하여 획득한 불량률 중 가장 작은 불량률에 대응하는 습도 결정 값을 선택하고;
선택된 상기 온도 결정 값 및 상기 습도 결정 값에 기초하여 온습도 제어 신호를 생성하는,
서버.
- 제1항에 있어서,
상기 UI는,
상기 제품에 대응하는 공정 센서 계측 값 및 상기 이미지 센서 계측 값의 히스토리, 상기 히스토리에 대응하는 그래프 및 상기 제품 적합도를 포함하며, 상기 제품 적합도에 대응하는 조치 내역을 추가, 수정 및 삭제하는 인터페이스를 제공하는 모니터링 UI
를 더 포함하는, 서버.
- 제1항에 있어서,
상기 UI는,
상기 제품 적합도에 기초하여 불량률을 계산하고, 상기 온도 센서 값 및 상기 습도 센서 값과 상기 불량률 사이의 상관 관계를 나타내는 그래프를 제공하는 온습도 관리 UI
를 더 포함하는, 서버.
- 제1항에 있어서,
상기 통신부는
생성된 상기 온습도 제어 신호를 상기 관리 대상 공장에 송신하고,
상기 미리 학습된 불량률 예측 모델은 뉴럴 네트워크로 구성되는, 서버. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190131698A KR102088697B1 (ko) | 2019-10-22 | 2019-10-22 | 웹 기반의 통계적 공정 관리 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190131698A KR102088697B1 (ko) | 2019-10-22 | 2019-10-22 | 웹 기반의 통계적 공정 관리 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102088697B1 true KR102088697B1 (ko) | 2020-03-13 |
Family
ID=69938513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190131698A KR102088697B1 (ko) | 2019-10-22 | 2019-10-22 | 웹 기반의 통계적 공정 관리 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102088697B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220051505A (ko) | 2020-10-19 | 2022-04-26 | 주식회사 케이티 | 특정 공정을 위한 파라미터 결정 서버, 방법 및 컴퓨터 프로그램 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110070411A (ko) * | 2009-12-18 | 2011-06-24 | (주) 티아이에스 | 불량 판정 시스템 |
| KR20150018681A (ko) * | 2013-08-08 | 2015-02-24 | 국립대학법인 울산과학기술대학교 산학협력단 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
| KR101570516B1 (ko) | 2013-03-15 | 2015-11-19 | (주)피플앤아이티 | 산업용 비전통합 공정 관리 시스템 |
| KR101749457B1 (ko) | 2016-05-24 | 2017-07-13 | 주식회사 신일이앤씨 | 이미지 센서를 이용한 공장 에너지 관리 시스템 |
| KR101787509B1 (ko) | 2017-04-06 | 2017-10-18 | (주) 엠플레이 | 웹 및 모바일 기반의 자동화 공정개선 모니터링 시스템 |
| KR20170130532A (ko) * | 2015-04-24 | 2017-11-28 | 피피지 인더스트리즈 오하이오 인코포레이티드 | 통합된 지능형 도장 관리 기법 |
| KR102022496B1 (ko) | 2019-02-28 | 2019-09-18 | (주)아이프리즘 | 비전 이미지 검출을 이용한 공정 관리 및 모니터링 시스템 및 그 방법 |
-
2019
- 2019-10-22 KR KR1020190131698A patent/KR102088697B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110070411A (ko) * | 2009-12-18 | 2011-06-24 | (주) 티아이에스 | 불량 판정 시스템 |
| KR101570516B1 (ko) | 2013-03-15 | 2015-11-19 | (주)피플앤아이티 | 산업용 비전통합 공정 관리 시스템 |
| KR20150018681A (ko) * | 2013-08-08 | 2015-02-24 | 국립대학법인 울산과학기술대학교 산학협력단 | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 |
| KR20170130532A (ko) * | 2015-04-24 | 2017-11-28 | 피피지 인더스트리즈 오하이오 인코포레이티드 | 통합된 지능형 도장 관리 기법 |
| KR101749457B1 (ko) | 2016-05-24 | 2017-07-13 | 주식회사 신일이앤씨 | 이미지 센서를 이용한 공장 에너지 관리 시스템 |
| KR101787509B1 (ko) | 2017-04-06 | 2017-10-18 | (주) 엠플레이 | 웹 및 모바일 기반의 자동화 공정개선 모니터링 시스템 |
| KR102022496B1 (ko) | 2019-02-28 | 2019-09-18 | (주)아이프리즘 | 비전 이미지 검출을 이용한 공정 관리 및 모니터링 시스템 및 그 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220051505A (ko) | 2020-10-19 | 2022-04-26 | 주식회사 케이티 | 특정 공정을 위한 파라미터 결정 서버, 방법 및 컴퓨터 프로그램 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11041650B2 (en) | Cloud and edge integrated energy optimizer | |
| KR102126692B1 (ko) | IoT기반 실시간 에너지 모니터링 및 데이터 분석 시스템 | |
| US10530666B2 (en) | Method and system for managing performance indicators for addressing goals of enterprise facility operations management | |
| US8554703B1 (en) | Anomaly detection | |
| Usamentiaga et al. | Temperature monitoring for electrical substations using infrared thermography: architecture for Industrial Internet of Things | |
| EP3346428A1 (en) | Sensor design support apparatus, sensor design support method and computer program | |
| US11314616B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
| US20170076321A1 (en) | Predictive analytics in an automated sales and marketing platform | |
| US12099570B2 (en) | System and methods for faster processor comparisons of visual graph features | |
| CN108228428B (zh) | 用于输出信息的方法和装置 | |
| CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
| US20140188777A1 (en) | Methods and systems for identifying a precursor to a failure of a component in a physical system | |
| US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
| CN118157333B (zh) | 一种基于物联网技术的配变台区智能监控方法及系统 | |
| Wang et al. | Linear approximation fuzzy model for fault detection in cyber-physical system for supply chain management | |
| KR102088697B1 (ko) | 웹 기반의 통계적 공정 관리 시스템 | |
| CN118410375A (zh) | 信息技术与运营技术的深度整合方法 | |
| CN112862222A (zh) | 空调回风温度的预测方法、异常监控方法和相关装置 | |
| Snoussi | SPC for short-run multivariate autocorrelated processes | |
| Fatangare et al. | An Efficient Temperature Monitoring using Raspberry Pi | |
| KR102177604B1 (ko) | 연봉 예측 장치 및 방법 | |
| Hore et al. | Intelligent Predictive Maintenance for Industrial Internet of Things (IIoT) Using Machine Learning Approach | |
| US12073477B1 (en) | Low friction data analysis system | |
| US20240288839A1 (en) | Systems, methods, and devices for asset simulation and analytics | |
| Chandrakant | Assessing the Efficacy and Influence of Learning Objectives via Natural Language Processing Algorithms and Machine Learning Techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |